PCB科技 - 在PCB光學檢測AOI中的應用

加入 印刷電路板行業 20年前, 入職培訓直接在工作中進行，以熟悉 印刷電路板. 當時, 我對電鍍生產線的實習印象特別深刻. 由於惡劣的工作環境和人員的快速流動, 電鍍生產線的“實踐”時間最長. 在電鍍線的每個槽前都掛有計時器. 需要手動移動 印刷電路板 按照設定的時間在掛籃中從一個槽到下一個槽的板，直到整個電鍍過程完成. 大多數其他過程的裝載和卸載也是手動的, 蝕刻線後的質量檢查也是手動目視的. 隨著人工成本的不斷增加, 大部分體力勞動，甚至一小部分腦力勞動 印刷電路板 製造業已被機械化所取代, 電氣化, 自動化和資訊技術. 在智能化實施過程中, 發現大多數 印刷電路板 製造設備無法完全支持智慧需求, 相應的改造主要針對自動化. 現時, 沒有統一的介面規範 印刷電路板 製造設備. 一些製造商學習電晶體設備的介面規範, 但是因為成本高, 暫時無法在 印刷電路板製造. 全部的 印刷電路板 製造商正在根據自己的需要設計自己的規格, 現狀可以說是多種多樣的.

1、人工智慧

Artificial intelligence is the subject of studying certain thought processes and intelligent behaviors (such as learning, 推理, 思考, 規劃, 等.) of people by using computers to simulate humans. 它是計算機科學的一個分支. 該領域的研究主要包括機器人學, 語言識別, 和影像. 認出, 自然語言處理, 模擬系統和專家系統, 等. 當人們談論人工智慧時, machine learning (ML, Deep Learning), deep learning (DL, Deep Learning), deep neural network (DNN, 深層神經網路), 卷積al neural network (美國有線電視新聞網, Convolutional Neural Network) and other concepts Often mentioned. 人工智慧是人們追求的目標, 而機器學習是實現人工智慧的主要途徑. 常用的機器學習算灋包括線性回歸, 邏輯回歸, 集成方法, 支持向量機, 神經網路, 和深入學習. 機器學習取決於是否有數據標籤. 它可以分為監督學習, 半監督學習, 無監督學習, 强化學習, 結構化學習與遷移學習. 深度學習是機器學習中最常用的算灋之一, 特別是電腦視覺的應用. 深度神經網路是一組模仿人腦機制的深度學習方法. 深度, convolution, 神經網路將在下麵單獨討論.

1.1. 卷積運算

卷積運算的定義：卷積運算廣泛應用於訊號和線性系統、數位信號處理和圖像處理系統。 根據數學定義（方程式1），卷積是一個函數（組織響應或卷積核） 另一個函數（輸入信號）的加權疊加。

在電腦視覺領域，卷積核定義了某種模式。 卷積運算是計算每個位置和模式之間的相似度。 當前位置和模式越相似，響應越强。 卷積核通常是一個小尺寸的奇數行和列矩陣，數位圖像是一個相對大尺寸的二維（多元或多通道特徵映射）矩陣。 當執行卷積時，它是以滑動窗口的形式，從左到右，從上到下，每個通道的相應位置將相乘和求和。 如果將卷積核視為權重（weight），將向量繪製為w，並將影像對應位置的點數繪製為向量，則該位置的卷積結果可以表示為公式（2），即向量內積+偏差。

以上是從函數的角度理解卷積運算. 下麵通過兩個熟悉的應用程序示例進行進一步解釋. 圖1是早期AOI中使用的形態學檢測邏輯. The preset detection template matrix (convolution kernel) slides on the scanned image. 當圖形符合範本定義的特徵時, 將生成相應的特徵資訊, 然後比較標準圖形的特徵資訊，找出缺陷的位置. 取決於缺陷點的形狀, AOI needs to define different detection logics (template matrices), 例如T, Y, L, K, 和H, 等. AOI工程師需要反覆運算優化檢測範本矩陣的參數, 良好的卷積核設計, 將產生良好的測試結果. 圖2是圖像處理中常用的高斯影像平滑. 可以看出，右側經過處理的影像的灰度值分佈更加均勻, 對影像中的雜訊進行平滑濾波. 卷積運算應用的關鍵在於卷積核的設計. 圖像處理的主要功能是：影像預處理和特徵選取, 並將生成的特徵影像輸出到下一個連結進行分析和理解.
1.2. Deep Neural Network

神經網路是一種數學模型，它使用類似於大腦神經突觸連接的結構來處理資訊。 它也是一種受生物學啟發的程式設計範式，允許電腦從觀測數據中學習，並找到解决問題的最佳方法。 人工神經網路吸收了生物神經網路計算單元和連接權重這兩個極其重要的概念。 接下來，以熟悉的“AOI設備評估”為例，瞭解神經元是如何工作的。

假設：A 印刷電路板 製造商需要購買AOI設備. AOI工程師通常根據以下因素决定是否購買供應商的AOI設備：檢查能力, 虛點率, 資料和工藝的適應性, 易於操作和生產能力, 等. 這些評估項目不按權重排列. 不同的 印刷電路板 製造商有不同的關注點，其權重設定也不同. 例如, manufacturer A produces high-end products with special 材料 and complex 製造業 processes, 這將高度重視檢查能力和適應性. 價值 而製造商B生產低端產品, 可能會注意操作的方便性和掃描速度. Which items (or called inputs, 預測因素, 特徵, these are concepts in machine learning) need to be used for evaluation, 根據他們的實際情況, 該過程是特徵選取或特徵工程. 將上述評估項目和相應的權重值代入圖3的神經元模型, 根據上述線性函數可以計算出相應的特徵值, 然後通過非線性啟動函數, the value of 0 to 1 (or -1 to 1) can be obtained. 一定數量介於, 以類比生物神經元的邏輯操作. 隨著權重和偏差的變化, 可以獲得不同的決策模型. 深入學習, 權重w和偏差b由數據驅動, 權重和偏差是卷積核的參數.

如果每個神經元的輸出類比一個生物神經網路，並連接到下一個神經元的輸入，則可以形成一個人工神經網路（見圖4）。 上例中評估項目“假點率”的輸入由上層神經元的輸出確定。 為了預測結果，有必要根據上層神經元的輸入和連接權重做出決策，例如：1。 是否使用多分區檢測引擎過濾非關鍵領域的非關鍵缺陷； 2、是否使用全光譜光源，確保獲得清晰的影像； 3、是否使用非接觸式直線電機來保證被測物體的平穩運動，以獲得穩定的影像等。

深度學習是許多神經網路學習算灋的强大集合. 廣義上, 它是解决輸入和輸出之間關係的過程, 狹義地說, 這是解决神經元權重和偏差的過程. 神經網路按輸入層連接, 隱層和輸出層根據網絡類型形成深層神經網路. 隱藏層和功能模組的數量决定了神經網路的深度和類型, 例如FNN, CNN, 迴圈神經網路, 和GAN. 深度學習的過程是首先將訓練集的標記資料登錄到神經網路中, 並經過每一層神經網路處理, 使輸出結果與期望值之間的誤差最小化, 那就是, the loss function is minimized (the loss function is usually used to measure The deviation between actual behavior and expected behavior), 該過程主要是通過前向傳播反覆運算更新權重和偏差, BP算灋, 和損失函數. 在神經網路訓練過程中, 我們經常遇到梯度消失或梯度爆炸的問題, 訓練速度太慢，訓練過度. 這個主題太大，這裡無法深入討論.
1.3. AI application scenarios

The 人工智慧 system is mainly composed of three parts: 1. 資訊輸入. 通過各種傳感設備感知動態變化的物理世界, 從而獲得大量數據； 2 決策處理. 將獲得的大量數據應用於機器學習獲得的模型進行推理, 預測或決策； 3 執行輸出. 根據推斷或預測的結果執行相應的操作. 簡言之, 通過回歸建立大量輸入數據的預測模型, 集成和其他機器學習算灋, 並將所建模型應用於實際數据集，得到預測結果. 人工智慧已廣泛應用於金融領域, 醫療護理, 教育, 公共安全, 運輸, 通信, 農業, 氣象學, 和服務業. 錶1列出了一些常見的AI應用場景.
2. AOI automatic optical inspection

I briefly introduced the basic concepts of AI artificial intelligence, 並提到了人工智慧中常用的電腦視覺算灋. 這些視覺算灋也廣泛應用於AOI中. AOI自動光學檢查是從手動目視檢查演變而來的. 其工作原理是：首先, 通過視覺算灋從標準CAM數據中“學習”所需的影像特徵資訊, 然後用於對每個 印刷電路板. 收集學習的模型以進行特徵選取, 將獲得的特徵影像與標準數據進行比較, and report the problem points that need to be detected according to the given rules (detection standards). 因為AOI是電腦視覺的典型應用, 它與電腦視覺有同樣的困難.
2.1. Visual difficulties in AOI
Information loss in the imaging process: When a person tries to understand an image, 先前的經驗和知識將用於當前的觀察. 理解影像的過程通常是無意識完成的. 電腦視覺需要數學中的結果和方法, 模式識別, artificial intelligence, 心理生理學, 計算機科學, 電子學, 和其他專業. 因此, 對於AOI, 因為3D 印刷電路板 電路板場景投影到2D空間, 大量資訊遺失, 尤其是深度資訊, 例如照明, 資料内容, 方向和距離, 等., 反映為唯一的測量值灰度值. 相同2D平面的投影可由無限多個可能的3D場景投影產生. 因此, 從二維到3維的逆過程是一個病態過程, 或不適定問題. 觀測數據不足以約束問題的解决, 囙此，有必要使用第一個測試知識或引入適當的約束. 例如, 在AOI檢查中, it is often encountered that there is an open circuit on the scanned image (2D image), 但事實上，這可能是一個真正的斷路, 或氧化點, 殘留膠水, dust on the line (3D scene)
本地視窗和全域視圖：通常, 影像分析算灋需要對記憶體中的特殊存儲單元及其相鄰單元進行分析和操作. 當影像可以從局部視圖或局部小孔中獲得時, 影像的解釋通常非常困難. AOI根據不同的分辯率掃描指定的寬度，並將其劃分為指定大小的影像塊進行處理. 因此, 對AOI的檢測算灋進行了部分分析和處理. 不會將其添加到 印刷電路板 網絡分析，如E-Test, 僅在邏輯處理中. Add an auxiliary layer for functional analysis
As a key process of quality control in 印刷電路板 製造業, 在AOI過程中, 大修機上的確認過程需要更多的人工參與, 操作員需要根據錯誤缺陷進行修復.